正向预测模型 (Forward Prediction Model)

项目概述

本项目实现了一个基于深度学习的超表面正向预测模型，用于预测给定几何结构参数下的吸收光谱曲线。
该模型输入7个几何结构参数，输出1001个采样点的S11值（归一化到[0,1]区间）。

项目结构

forward_prediction/
├── input/             # 输入数据
│   ├── dB_123.csv     # S11值数据
│   ├── label_123.csv  # 标签数据
│   ├── param_123.csv  # 几何参数数据
│   └── index/         # 训练/验证/测试集索引
├── network/           # 网络模型实现
│   ├── mlp.py         # MLP模型
│   └── ...            # 其他模型
├── train_main_dB2.py  # 主训练脚本
├── data_part.py       # 数据处理模块
├── evaluate_part.py   # 评估模块
├── save_part.py       # 保存模块
└── README.md          # 项目说明

核心功能

1. 数据处理：支持数据加载、预处理、归一化和分层采样
2. 模型训练：实现了早停机制、学习率调度和分层批处理
3. 模型评估：计算MSE、MAE、MRE、ACC等指标，并生成可视化结果
4. 多种模型：支持多种网络架构，如MLP等

环境依赖

• Python 3.7+
• PyTorch
• NumPy
• Pandas
• Matplotlib
• Scikit-learn

使用方法

1. 准备数据

确保输入数据文件位于 input/ 目录下：

• param_123.csv：7个几何结构参数
• dB_123.csv：S11值（1001个采样点）
• label_123.csv：标签数据（用于分层采样）

2. 训练模型

运行主训练脚本：

python train_main_dB2.py [参数]

3. 命令行参数

参数	类型	默认值	描述
--batch_size	int	32	训练批次大小
--epoch_num	int	100	训练轮数
--seed	int	42	随机数种子
--input_dir	str	"./input"	输入数据目录
--output_dir	str	"./output"	输出结果目录
--save_index	flag	False	是否保存训练/验证/测试集索引
--model	str	"mlp"	使用的模型类型
--lr	float	1e-4	学习率
--patience	int	20	早停耐心值

4. 示例命令

python train_main_dB2.py \
    --batch_size 64 \
    --epoch_num 200 \
    --seed 42 \
    --input_dir "./input" \
    --output_dir "./output/test_run" \
    --save_index \
    --model "mlp" \
    --lr 2e-3 \
    --patience 30

输出结果

命令行训练示例

训练完成后，输出结果将保存在指定的 output_dir 目录下：

output_dir/
├── model/                 # 模型相关
│   ├── best_model.pth     # 最佳模型权重
│   ├── model_epoch_*.pth  # 每轮模型权重
│   ├── hyperparameters.json  # 超参数记录
│   └── output.log         # 训练日志
└── evaluate/              # 评估结果
    ├── history.csv        # 每轮训练/验证/测试指标
    ├── prediction.csv     # 测试集预测结果
    ├── all_metrics.csv    # 每个样本的评估指标
    ├── metrics_summary.csv # 评估指标汇总
    ├── train_val_loss.pdf/png  # 训练/验证损失曲线
    ├── train_test_loss.pdf/png # 训练/测试损失曲线
    ├── mae_hist.pdf/png   # MAE分布直方图
    └── *sample.pdf/png    # 典型样本预测结果对比

模型评估

模型训练完成后，会自动进行评估并生成以下结果：

1. 损失曲线：训练/验证/测试损失随轮数的变化
2. 评估指标：MSE、MAE、MRE、ACC等指标的均值和标准差
3. MAE分布：测试集样本MAE值的分布直方图
4. 典型样本：各类别（典型1、典型2、典型3）中MAE最低、最接近平均值、最高的样本预测结果对比

网络模型

目前支持的模型：

• MLP：多层感知器，基础模型
• up_conv
• 其他模型：可在 network/ 目录下添加新的模型实现

数据说明

• 输入参数：7个几何结构参数，归一化到[0,1]区间
• 输出数据：S11值（1001个采样点），范围为[0,1]
• 标签数据：用于分层采样，确保训练/验证/测试集中各类别分布均匀

技术亮点

1. 分层采样：使用 StratifiedBatchSampler 确保每批次中各类别样本比例均衡
2. 早停机制：当验证损失不再改善时自动停止训练，保存最佳模型
3. 学习率调度：根据验证损失动态调整学习率
4. 详细评估：提供多种评估指标和可视化结果，方便模型分析和改进
5. 灵活配置：通过命令行参数控制模型训练的超参数，无需修改代码

注意事项

1. 确保输入数据格式正确，特别是 param_123.csv、dB_123.csv 和 label_123.csv 文件
2. 训练过程中会自动创建输出目录结构，无需手动创建
3. 模型训练可能需要较长时间，建议在GPU环境下运行
4. 若要使用自定义模型，需在 network/ 目录下创建相应的模型文件，并确保实现 forward_network 类

许可证

本项目仅供学术研究使用。